機器學(xué)習(xí)的發(fā)展歷程及啟示,你知道嗎？

近年來，人工智能的強勢崛起，特別是剛剛過去的AlphaGo和韓國九段棋手李世石的人機大戰(zhàn)，讓我們領(lǐng)略到了人工智能技術(shù)的巨大潛力。數(shù)據(jù)是載體，智能是目標(biāo)，而機器學(xué)習(xí)是從數(shù)據(jù)通往智能的技術(shù)途徑。因此，機器學(xué)習(xí)是數(shù)據(jù)科學(xué)的核心，是現(xiàn)代人工智能的本質(zhì)。

通俗地說，機器學(xué)習(xí)就是從數(shù)據(jù)中挖掘出有價值的信息。數(shù)據(jù)本身是無意識的，它不能自動呈現(xiàn)出有用的信息。怎樣才能找出有價值的東西呢？第一步要給數(shù)據(jù)一個抽象的表示；接著基于表示進(jìn)行建模；然后估計模型的參數(shù)，也就是計算；為了應(yīng)對大規(guī)模的數(shù)據(jù)所帶來的問題，我們還需要設(shè)計一些高效的實現(xiàn)手段，包括硬件層面和算法層面。統(tǒng)計是建模的主要工具和途徑，而模型求解大多被定義為一個優(yōu)化問題，特別是，頻率派方法其實就是一個優(yōu)化問題。而貝葉斯模型的計算則往往牽涉蒙特卡洛（Monte Carlo）隨機抽樣方法。因此，機器學(xué)習(xí)是計算機科學(xué)和統(tǒng)計學(xué)的交叉學(xué)科。

借鑒計算機視覺理論創(chuàng)始人馬爾（Marr）的關(guān)于計算機視覺的三級論定義，我把機器學(xué)習(xí)也分為三個層次：初級、中級和高級。初級階段是數(shù)據(jù)獲取以及特征的提取。中級階段是數(shù)據(jù)處理與分析，它又包含三個方面：首先是應(yīng)用問題導(dǎo)向，簡單地說，它主要應(yīng)用已有的模型和方法解決一些實際問題，我們可以理解為數(shù)據(jù)挖掘；其次，根據(jù)應(yīng)用問題的需要，提出和發(fā)展模型、方法和算法以及研究支撐它們的數(shù)學(xué)原理或理論基礎(chǔ)等，這是機器學(xué)習(xí)學(xué)科的核心內(nèi)容；第三，通過推理達(dá)到某種智能。高級階段是智能與認(rèn)知，即實現(xiàn)智能的目標(biāo)。數(shù)據(jù)挖掘和機器學(xué)習(xí)本質(zhì)上是一樣的，其區(qū)別是數(shù)據(jù)挖掘更接近于數(shù)據(jù)端，而機器學(xué)習(xí)則更接近于智能端。

統(tǒng)計與計算

今年剛被選為美國科學(xué)院院士的卡內(nèi)基梅隆大學(xué)統(tǒng)計系教授沃塞曼（Larry Wasserman）寫了一本名字非常霸道的書：《統(tǒng)計學(xué)完全教程》（All of Statistics）。這本書的引言部分有一個關(guān)于統(tǒng)計學(xué)與機器學(xué)習(xí)非常有趣的描述。沃塞曼認(rèn)為，原來統(tǒng)計是在統(tǒng)計系，計算機是在計算機系，這兩者是不相來往的，而且互相都不認(rèn)同對方的價值。計算機學(xué)家認(rèn)為那些統(tǒng)計理論沒有用，不解決問題，而統(tǒng)計學(xué)家則認(rèn)為計算機學(xué)家只是在“重新發(fā)明輪子”，沒有新意。然而，他認(rèn)為現(xiàn)在情況改變了，統(tǒng)計學(xué)家認(rèn)識到計算機學(xué)家正在做出的貢獻(xiàn)，而計算機學(xué)家也認(rèn)識到統(tǒng)計的理論和方法論的普遍性意義。所以，沃塞曼寫了這本書，可以說這是一本為統(tǒng)計學(xué)者寫的計算機領(lǐng)域的書，為計算機學(xué)者寫的統(tǒng)計領(lǐng)域的書。

現(xiàn)在大家達(dá)成了一個共識：如果你在用一個機器學(xué)習(xí)方法，而不懂其基礎(chǔ)原理，這是一件非?？膳碌氖虑?。正是由于這個原因，目前學(xué)術(shù)界對深度學(xué)習(xí)還是心存疑慮的。盡管深度學(xué)習(xí)已經(jīng)在實際應(yīng)用中展示出其強大的能力，但其中的原理目前大家還不是太清楚。

計算機學(xué)家通常具有強大的計算能力和解決問題的直覺，而統(tǒng)計學(xué)家擅長于理論分析和問題建模，因此，兩者具有很好的互補性。Boosting、支持向量機（SVM）、集成學(xué)習(xí)和稀疏學(xué)習(xí)是機器學(xué)習(xí)界也是統(tǒng)計界在近十年或者是近二十年來最為活躍的方向，這些成果是統(tǒng)計界和計算機科學(xué)界共同努力成就的。例如，數(shù)學(xué)家瓦普尼克（Vapnik） 等人早在20世紀(jì)60年代就提出了支持向量機的理論，但直到計算機界于90年代末發(fā)明了非常有效的求解算法，并隨著后續(xù)大量優(yōu)秀實現(xiàn)代碼的開源，支持向量機現(xiàn)在成為了分類算法的一個基準(zhǔn)模型。再比如，核主成分分析（Kernel Principal Component Analysis， KPCA）是由計算機學(xué)家提出的一個非線性降維方法，其實它等價于經(jīng)典多維尺度分析（Multi-Dimensional Scaling， MDS）。而后者在統(tǒng)計界是很早就存在的，但如果沒有計算機界重新發(fā)現(xiàn)，有些好的東西可能就被埋沒了。

世界上公認(rèn)最好的兩個統(tǒng)計系來自加州大學(xué)伯克利分校和斯坦福大學(xué)。加州大學(xué)伯克利分校是美國統(tǒng)計學(xué)的發(fā)源地之一，可以說是當(dāng)今統(tǒng)計學(xué)和機器學(xué)習(xí)的中心，其機器學(xué)習(xí)領(lǐng)域的教授通常同時在計算機系和統(tǒng)計系都有正式職位。已故的布萊曼（Leo Breiman）教授是統(tǒng)計機器學(xué)習(xí)的主要奠基人，他是眾多統(tǒng)計學(xué)習(xí)方法的主要貢獻(xiàn)者，比如Bagging、分類回歸樹（CART）、隨機森林以及非負(fù)garrote稀疏模型等。布萊曼是喬丹（Michael Jordan）教授的伯樂，當(dāng)初是他力主把喬丹從麻省理工學(xué)院引進(jìn)到伯克利分校的?？梢哉f，伯克利分校的統(tǒng)計系成就了喬丹，反過來他也為伯克利分校的統(tǒng)計學(xué)發(fā)展創(chuàng)造了新的活力，為機器學(xué)習(xí)領(lǐng)域培養(yǎng)了一大批優(yōu)秀的學(xué)者，建立了無可代替的功勛。

斯坦福大學(xué)統(tǒng)計系的一個主要方向就是統(tǒng)計學(xué)習(xí)，比如《統(tǒng)計學(xué)習(xí)基礎(chǔ)》（Elements of statistical learning）一書就是統(tǒng)計系幾位著名教授撰寫的。斯坦福大學(xué)計算機科學(xué)系的人工智能方向一直在世界占主導(dǎo)地位，特別是在不確定推理、概率圖模型、概率機器人等領(lǐng)域成就斐然。他們的網(wǎng)絡(luò)公開課“機器學(xué)習(xí)”、“概率圖模型”以及“人工智能”等讓全世界學(xué)者受益。有意思的是，斯坦福大學(xué)和伯克利分校具有令人羨慕的合作競爭關(guān)系。一年一度的聯(lián)合統(tǒng)計學(xué)日是兩校統(tǒng)計系的交流平臺。伯克利分校教授布萊曼和斯坦福大學(xué)教授弗萊德曼（Jerome Friedman）合作建立了許多重要統(tǒng)計學(xué)習(xí)模型。此外，兩校教授羅素（Stuart Russell）和諾維格（Peter Norvig）合作的《人工智能：一種現(xiàn)代的方法》（Artificial Intelligence： A Modern Approach）一書是人工智能的集大成。

卡內(nèi)基梅隆大學(xué)是一個非常獨特的學(xué)校，它并不是美國傳統(tǒng)的常春藤大學(xué)。可以說，它是以計算機科學(xué)為立校之本，是世界第一個建立機器學(xué)習(xí)系的學(xué)校。米歇爾（Tom Mitchell）教授是機器學(xué)習(xí)的早期建立者之一和守護(hù)者，他一直為該校本科生講授“機器學(xué)習(xí)”課程。這個學(xué)校的統(tǒng)計學(xué)同樣也是一流，是貝葉斯統(tǒng)計學(xué)的世界研究中心。

在機器學(xué)習(xí)領(lǐng)域，多倫多大學(xué)有著舉足輕重的地位，它的機器學(xué)習(xí)研究組云集了一批世界級的學(xué)者，在《科學(xué)》（Science）和《自然》（Nature）發(fā)表多篇開創(chuàng)性的論文，實屬罕見。辛頓（Geoffrey Hinton）教授是偉大的思想家，更是實踐者。他是神經(jīng)網(wǎng)絡(luò)的建立者之一，是誤差反向傳播（BP）算法和深度學(xué)習(xí)的主要貢獻(xiàn)者。正是由于他的不懈努力，神經(jīng)網(wǎng)絡(luò)迎來了大爆發(fā)。尼爾（Radford Neal）教授是辛頓的學(xué)生，他在貝葉斯統(tǒng)計領(lǐng)域，特別是在蒙特卡洛馬爾科夫鏈模擬方法（MCMC）方面做出了一系列的重要工作，還開源了許多貝葉斯統(tǒng)計方法程序包，并一直致力于優(yōu)化R語言。